Quantum kernel support vector machines for trabecular bone classification: comparing feature reduction strategies on synthetic micro-CT data

Deze studie toont aan dat, hoewel de meeste strategieën voor dimensiereductie leiden tot een onderprestatie van quantum-kernel SVM's ten opzichte van klassieke baselines bij de classificatie van trabeculair bot, UMAP de enige methode is die het mogelijk maakt dat quantum-kernels concurrerend blijven, alhoewel het waargenomen voordeel statistisch niet significant is en waarschijnlijk wordt opgeblazen door afhankelijkheid van de vouw, samen met bevindingen dat ZZ quantum-kernels geen gladde metrische structuren voor regressietaken kunnen vastleggen.

De kern

Stel je voor dat je probeert een enorme bibliotheek met boeken in twee stapels te sorteren: "Gezond Bot" en "Zwak Bot". Maar in plaats van de tekst te lezen, bekijk je de boeken door een speciale, high-tech microscoop die elke pagina omzet in een complex, wervelend patroon van grijs en wit. Dit is in wezen wat wetenschappers doen met trabeculair bot (de sponsachtige, honingraatachtige structuur binnenin botten) met behulp van micro-CT-scans.

De onderzoekers wilden zien of een nieuw type computerbrein – een Quantumcomputer – deze sorteerklus beter kon uitvoeren dan een standaard, klassieke computer. De "bibliotheek" is echter te groot en de patronen te rommelig voor de quantumcomputer om direct mee om te gaan. Het is als proberen de hele oceaan in een theekopje te proppen. Om dit op te lossen, moesten ze de data eerst verkleinen tot een hanteerbare grootte. Dit proces heet dimensionaliteitsreductie.

De vijf "Verkleiners"

Het team testte vijf verschillende methoden om deze enorme data te comprimeren tot een klein, 8-dimensionaal "pakket" dat een quantumcomputer kan begrijpen. Denk aan deze methoden als vijf verschillende manieren om een koffer te pakken:

1. PCA (Principal Component Analysis): Alsof je je kleding netjes vouwt om ze erin te krijgen.
2. RP Gaussian & RP Sparse: Alsof je je kleding in een tas gooit en deze schudt om te zien wat erin past.
3. PLS (Partial Least Squares): Alsof je alleen de spullen pakt die je weet dat je nodig hebt voor een specifieke reis.
4. UMAP (Uniform Manifold Approximation and Projection): Alsof je een magische kaart gebruikt die je kleding zo herschikt dat de belangrijkste items bovenop liggen.

De Wedstrijd: Klassiek versus Quantum

Zodra de data was ingepakt, stuurden ze het naar twee renners:

• De Klassieke Renner: Een standaardcomputer die een bewezen "Radial Basis Function"-algoritme gebruikt.
• De Quantumrenner: Een quantumcomputer die een specifieke "ZZ feature map" gebruikt (een manier om de data te vertalen naar quantumtaal).

Ze lieten deze wedstrijd 25 keer lopen in verschillende scenario's (cross-validatie) om te zien wie sneller en nauwkeuriger was.

De Resultaten: Een Verhaal van Twee Tests

De Eerste Test (De "Gevouwen" Wedstrijd):
Toen ze de tests uitvoerden met dezelfde datasets keer op keer (wat de computer soms kan misleiden door de antwoorden uit het hoofd te leren), was UMAP de enige methode waarbij de Quantumrenner gelijke tred hield met de Klassieke Renner. Sterker nog, de Quantumrenner leek met een heel klein verschil te winnen.

De Tweede Test (De "Onafhankelijke" Wedstrijd):
Om zeker te zijn, voerden ze een strengere test uit met 10 volledig nieuwe, onafhankelijke datasets. Dit keer verdween de magie. De Quantumrenner bleek zelfs iets achter te blijven bij de Klassieke Renner. De kleine "overwinning" uit de eerste test bleek een toevalstreffer te zijn veroorzaakt door de manier waarop de data was gegroepeerd.

De Verliezers:
Voor de andere vier methoden (PCA, Random Projections en PLS) viel de Quantumrenner niet alleen, maar struikelde hij zwaar. Hij was significant slechter dan de klassieke computer in het onderscheid maken tussen gezond en zwak bot.

Het Regressie-experiment

De onderzoekers probeerden ook om de quantumcomputer te gebruiken om exacte getallen te voorspellen (zoals "hoe dik is het bot?") in plaats van ze alleen in stapels te sorteren. Dit is als proberen het exacte gewicht van een boek te raden in plaats van alleen te zeggen "zwaar" of "licht".

• Het Resultaat: De quantumcomputer faalde hier volledig aan. Hij kon de getallen helemaal niet voorspellen en kreeg vaak negatieve scores. Het lijkt erop dat het quantumgereedschap dat ze gebruikten goed is in het trekken van lijnen tussen categorieën (sorteren), maar slecht in het begrijpen van gladde, continue metingen (getallen voorspellen).

De Conclusie

De belangrijkste boodschap is simpel: Hoe je de data voorbereidt, is belangrijker dan de computer die je gebruikt.

Als je de verkeerde methode gebruikt om de data te verkleinen (zoals PCA of willekeurige inpakking), presteert de quantumcomputer slecht. Als je echter de juiste methode gebruikt (UMAP), kan de quantumcomputer ten minste concurreren met de klassieke, hoewel hij niet per se wint. De studie concludeert dat quantumcomputers nuttig kunnen zijn in dit veld, maar dat we zeer zorgvuldig moeten zijn over hoe we de data "inpakken" voordat we het naar de quantummachine sturen.

Technische samenvatting

Technische Samenvatting: Quantum Kernel Support Vector Machines voor Classificatie van Trabeculair Bot

Probleemstelling
Quantum-kernmethoden zijn theoretisch veelbelovend voor classificatietaken binnen hoogdimensionale kenruimten, maar hun praktische bruikbaarheid is sterk afhankelijk van de voorbereiding van invoerkenmerken. Deze studie behandelt de kritische vraag hoe strategieën voor dimensionaliteitsreductie de prestaties van Quantum Kernel Support Vector Machines (QK-SVM's) beïnvloeden bij toepassing op de classificatie van trabeculaire botstructuren. Specifiek onderzoekt het onderzoek of quantum-kernen klassieke basismodellen kunnen overtreffen wanneer ze worden gevoed met kenmerken die zijn gereduceerd door verschillende lineaire en niet-lineaire methoden, met synthetische micro-computertomografie (micro-CT) data als gecontroleerde testomgeving.

Methodologie
De auteurs hebben een uitgebreide experimentele pijplijn opgezet die synthetische datageneratie, kenmerkextractie, dimensionaliteitsreductie en vergelijkende classificatie omvat:

• Datageneratie: Een aangepaste procedurale generator gebaseerd op nul-overgangen van Gaussische toevallige velden werd ingezet om 500 synthetische volumes van trabeculair bot te creëren. Deze volumes bezaten gecontroleerde morfometrische eigenschappen, waaronder botvolume-fractie (BV/TV), trabeculaire dikte (Tb.Th), aantal (Tb.N) en afstand (Tb.Sp).
• Kenmerkverwerking: Textuurkenmerken werden geëxtraheerd uit grijswaarden-slices en gereduceerd tot 8-dimensionale invoer geschikt voor quantumcircuits. Vijf verschillende dimensionaliteitsreductiestrategieën werden geëvalueerd:
  1. Principal Component Analysis (PCA)
  2. Gaussische Random Projectie (RP Gaussian)
  3. Sparse Random Projectie (RP Sparse)
  4. Partial Least Squares (PLS)
  5. Uniform Manifold Approximation and Projection (UMAP)
• Classificatiemodellen: De gereduceerde kenmerken werden geclassificeerd met twee modellen:
  • Klassieke Radial Basis Function (RBF) SVM's.
  • Quantum Kernel SVM's met gebruikmaking van ZZ-kenmerkkaarten, gesimuleerd op een statevector-simulator.
• Evaluatieprotocol: De prestaties werden beoordeeld via twee rigoureuze validatieschema's:
  1. Herhaalde Stratificatie Cross-Validatie: Een 5x5 herhaald schema (totaal 25 vouwen) om vouw-afhankelijke prestaties te evalueren.
  2. Validatie met Onafhankelijke Dataset: Testen op 10 volledig onafhankelijke datasets, waarbij elke dataset onafhankelijk gegenereerde steekproeven, aparte reductie-aanpassingen en aparte kernmatrijzen omvatte om artefacten van vouw-afhankelijkheid uit te sluiten.
• Regressietaken: Quantum Kernel Ridge Regression werd bovendien geëvalueerd voor continue morfometrische voorspelling om het vermogen van de kern te testen om gladde meetkundige structuren vast te leggen.

Belangrijkste Resultaten
De studie leverde genuanceerde bevindingen op over het concurrentievermogen van quantum-kernen:

• UMAP-prestaties: UMAP was de enige reductiemethode waarbij de quantum-kern concurrentieel bleef met het klassieke basismodel.
  • Bij de 5x5 herhaalde cross-validatie toonde UMAP een licht voordeel in nauwkeurigheid voor de quantum-kern (+0,032), hoewel dit niet statistisch significant was (Dietterich 5x2 CV p = 0,177).
  • Cruciaal genoeg keerde dit voordeel bij validatie op 10 onafhankelijke datasets om in een tekort van -0,030 (gepaarde t-toets p = 0,123; Wilcoxon p = 0,193), waarbij het quantum-model slechts 3 van de 10 datasets won. Dit suggereert dat het oorspronkelijke ogenschijnlijke voordeel waarschijnlijk werd opgeblazen door vouw-afhankelijkheid.
• Tekort bij Lineaire Methoden: Alle lineaire reductiemethoden (PCA, RP Gaussian, PLS) resulteerden in aanzienlijke prestatietekorten voor de quantum-kern ten opzichte van het klassieke basismodel, variërend van -0,090 tot -0,116 bij BV/TV-classificatie.
  • De tekorten bij PCA en PLS bleven statistisch significant onder gecorrigeerde tests (5x2 CV p=0,004 respectievelijk p=0,007).
• Regressiefalen: Bij de continue voorspellingstaken faalden ZZ quantum-kernen uniform, wat resulteerde in negatieve $R^2$-scores voor alle methoden, behalve PLS bij 4 qubits. Dit geeft aan dat, hoewel de ZZ-kern beslissingsgrenzen voor classificatie kan vastleggen, deze faalt in het modelleren van de gladde meetkundige structuren die vereist zijn voor regressie.

Betekenis en Beweringen
Het artikel concludeert dat de keuze van dimensionaliteitsreductie een bepalende factor is in het al dan niet concurrentieel kunnen blijven van quantum-kernen met klassieke basismodellen in quantum machine learning-pijplijnen op korte termijn. De auteurs maken bescheiden de bewering dat hun bevindingen praktische richtlijnen bieden voor kenmerk-engineering, met de nadruk op:

1. Schijnbare quantum-voordelen in cross-validatie kunnen artefacten zijn van datalekken of vouw-afhankelijkheid, wat rigoureuze onafhankelijke validatie vereist.
2. Huidige quantum-kernarchitecturen (specifiek ZZ-kenmerkkaarten) kunnen ongeschikt zijn voor regressietaken die gladde meetkundige structuren omvatten.
3. Zonder zorgvuldige kenmerkvoorbereiding (specifiek niet-lineaire methoden zoals UMAP in deze context) kunnen quantum-kernen klassieke tegenhangers onderpresteren bij classificatie van biologische data in hoge dimensies.